同一份单细胞结果,为什么有人说异常细胞占一半,另一个人却说占三分之二?问题可能出在分母。CopyKAT 的预测标签包含无法明确分类的细胞,分析者一旦在绘图前删除这些记录,后面的百分比就已经换了统计对象。若没有把删除过程写清楚,即使算式完全正确,也可能让读者误以为两张图都描述全部细胞。
本文围绕三个可以直接检查的问题展开,未定义标签如何参与统计,细胞标识怎样跨样本保持唯一,以及拷贝数相关矩阵如何正确对齐。我们实际执行了自编 Python 读表练习,所有标签与数值均为原创教学构造,没有安装或运行 CopyKAT,也没有推断真实样本的拷贝数。练习用于发现下游处理错误,不能用于评估软件准确率。

先理解表达推断能回答什么
CopyKAT 从单细胞转录组的表达信息推断大范围拷贝数变化,并据此辅助区分细胞群体。它的优势是能够利用已有转录组数据提出基因组异常的线索,把细胞类型、表达状态与推测的异常轮廓放在一起观察。有关方法设计与原始验证,可查阅原始论文。本文没有重复论文中的性能验证。
这种推断仍以表达为观测对象。单个基因表达升高可以由调控状态产生,不能直接写成该基因发生扩增。比较有价值的检查是观察相邻区域是否形成连贯变化、相关细胞是否共享轮廓,以及独立证据能否支持这一解释。热图颜色很鲜艳,只说明当前数值与颜色映射形成了明显差异,不自动说明差异来自 DNA 剂量。
类似地,异常标签可以帮助安排后续核查,却不应单独替代恶性细胞判定。近二倍体肿瘤可能缺乏明显的大范围异常,部分非肿瘤情境也可能出现复杂信号。判断细胞身份时,应结合组织来源、标记表达、病理信息及适用的独立检测。把一个标签直接改名为“确诊肿瘤细胞”,会掩盖方法实际依赖的假设。
输入、参考与输出必须分别保留
官方用法以基因在行、细胞在列的表达矩阵为起点,并允许提供已知正常细胞名称。准备数据时,应先核对基因标识类型、物种和细胞名称是否匹配,避免把可视化用的缩放矩阵当作原始计数输入。具体参数及当前输出文件说明以官方仓库文档为准。
正常参考不是一个可以随意填满的参数。若参考集合混入目标异常群,基线可能随之改变,结果解释也会改变。因此应保存参考细胞的选择依据及名称列表,而不只保存最终热图。尤其需要核对名称是否经过前缀添加或格式转换,避免列表看起来存在,实际却与表达矩阵列名无法对应。
可以把审阅对象分为原始输入、参考定义、推断输出和展示子集四层。输入保留全部送入分析的细胞,参考记录选取依据,输出保留软件给出的标签与数值,展示子集记录绘图使用了哪些细胞。四层之间有明确对应关系,才能回答某个细胞究竟从哪一步开始不再出现。
未定义不是正常,也不是可以悄悄删除的空白
官方说明提到,部分经过过滤的细胞会以未定义标签保留。下游若只选择明确的两类标签,就会得到一个经过选择的子集。这个子集可用于某些比较,但必须重新说明统计对象。未定义细胞既不能自动归入正常组,也不能仅因为没有进入异常组就被视作异常阴性。
在真实项目中,先统计未定义细胞在每个样本、细胞类型和质量区间的分布。如果它们集中在低计数细胞中,可以进一步检查表达信息不足。如果集中在某个样本,则需要审阅该样本的质量和处理过程。这里得到的是排查方向,不能只凭标签分布确定具体原因,更不能把未定义比例直接当作算法错误率。
我们的原创表包含两个样本,每个样本三十个细胞。样本甲有十六个异常、八个二倍体和六个未定义标签,样本乙对应为八个、十四个和八个。标签由脚本直接生成,完全没有进行表达计算。这样安排是为了把分母变化从复杂的上游过程里单独拿出来观察。
| 样本与计数 | 全部细胞中的异常比例 | 已定义细胞中的异常比例 |
|---|---|---|
| 甲,16 异常、8 二倍体、6 未定义 | 16/30,约 53.33% | 16/24,约 66.67% |
| 乙,8 异常、14 二倍体、8 未定义 | 8/30,约 26.67% | 8/22,约 36.36% |
两种比例都能正确计算,但回答的是不同问题。第一列比例描述当前全部表内细胞中被标成异常的部分,第二列描述得到明确标签的细胞中异常所占比例。第二种统计不能直接改写成“样本中肿瘤细胞的真实比例”,因为无法分类细胞的真实身份没有被解决,取样和过滤也可能影响组成。
本次甲样本的异常计数始终是十六。比例从约百分之五十三变为约百分之六十七,完全来自六个未定义细胞退出分母。因此看见百分比升高,应先查计数和纳入范围,再讨论异常细胞是否增加。尤其是在不同图使用不同过滤条件时,单独比较百分比很容易产生不存在的变化。
给未定义细胞做一个透明的敏感性分析
读者可以继续手算一个边界练习。若暂时把甲样本六个未定义细胞全部视作非异常,异常比例是十六除以三十。若把它们全部视作异常,则变成二十二除以三十。这个范围只反映对未定义部分采用两种极端归类时的算术结果,不是置信区间,也没有解决已定义标签可能存在的误差。
边界练习的价值在于显示结论对未知部分有多敏感。若组间差异本来就很小,而未定义部分足以改变排序,就应谨慎描述组间关系。若要进一步量化不确定性,需要明确误差模型和重复结构,不能把两个极端百分比包装成统计推断。报告中同时给出三类计数,通常比只给一根堆叠柱更容易审阅。
还有一个不能漏掉的边界情况。如果一个样本全部未定义,已定义细胞的数量为零,条件比例就没有定义。正确做法是标记无法计算并解释原因,不能用零填补。零意味着已经观察并判定异常部分不存在,而无法计算意味着没有足够的已定义对象,两者在后续汇总中的含义不同。
细胞条形码只能在规定范围内当主键
练习中的两个样本都使用从一到三十的相同条形码。六十条记录按条形码去重,最后只剩三十个不同值。脚本并没有发现三十个重复测量的同一细胞,只是两个样本使用了相同的局部命名空间。若此时直接按条形码连接元数据,可能出现一对多匹配,或者在去重过程中丢掉一个样本。
因此跨样本关联时,使用样本标识与条形码组成的联合键。本次联合键对应六十个唯一对象,与输入记录数一致。实际项目还可能需要加上文库或批次标识,取决于条形码在哪个范围内保证唯一。不要机械地给所有字段加前缀,而应先明确一行数据代表哪一个被测对象。
合表前检查联合键是否重复,合表后检查行数是否符合预期,并单独输出没有匹配上的记录。只看合并成功的部分,会掩盖名称转换引起的遗漏。若一个标签表缺少某些细胞,应保留缺失状态并回查来源,不能把未匹配到的标签统一填成正常,给数据管理问题附加生物学含义。
相同区域也要按坐标对齐
跨样本比较数值时,除了细胞列,区域行也必须有稳定身份。我们的第二个练习生成三个原创区间,数值分别为零点三、负零点二和零。第二张表保持区间与数值关系不变,只故意调换行顺序。按行直接相减,绝对差之和得到一。按染色体、起点和终点连接后,差值全部归零。
这个结果演示的是人为重排导致的下游合表错误,并不是发现 CopyKAT 会输出错误行序。三个数值也不是软件估计的 DNA 拷贝数。设计这样的极小例子,是因为它可以让读者看清一个原则,行的位置不是区域身份,数据在排序、筛选或导出后,位置尤其不值得依赖。
| 审阅对象 | 本次故意设置的问题 | 正确检查后的结果 |
|---|---|---|
| 细胞身份 | 两个样本复用条形码 | 单列仅 30 个,联合键为 60 个 |
| 区域身份 | 第二张表重排行顺序 | 逐行差之和为 1,坐标对齐为 0 |
| 未定义标签 | 绘图时删除未定义记录 | 异常计数不变,比例随分母变化 |
真实矩阵还要核对参考坐标体系、区间定义和是否存在重复区域。同名染色体不保证采用同一参考版本,起止位置相同也不保证区间约定相同。遇到无法一一对应的区域,应先报告差异,再决定是否采用共同区域,不要通过截断较长矩阵来强行让维度一致。
官方当前说明区分按基因和按区域输出,并建议多样本分开分析后组合适当的区域结果。这里尤其不能把不同样本经过筛选后保留的基因列表按行直接拼接。即便某个输出格式保证区域集合一致,实际合并脚本仍应验证这一条件,因为人工导出、子集筛选或版本变化可能改变输入。
跑一遍读表练习,保留可审阅的中间表
附件中的脚本只使用 Python 标准库,在本次环境实际执行后生成标签表、两张区间表和核验结果。输出目录要求尚不存在,防止旧文件与新结果混在一起。下载解压后,在脚本所在目录执行下面的命令,即可得到与本文对应的原创教学数据。
python run.py --work copykat-review-output
查看结果时,可以先手算甲样本的两个分母,再检查联合键计数,最后打开两张区间表确认只是顺序不同。这三个步骤都不依赖 CopyKAT 环境,适合放进日常结果交付前的核查流程。脚本中的标签列是教学自定义字段,接入真实输出时应先按当前版本字段映射,不能直接假设文件结构完全相同。
本次最有用的经验是,把未知状态、对象身份和坐标身份分别检查,往往比先调整热图配色更能发现问题。另一个经验是同时保存分子和分母,百分比才能追溯。最后,读表核验只能证明处理过程在这些条件下自洽,不能证明上游分类准确,也不能替代独立的生物学证据。
什么时候适合用,什么时候需要补证据
当研究目标是从单细胞表达中寻找大范围异常轮廓、辅助梳理疑似肿瘤群体时,CopyKAT 提供了有价值的观察角度。若目标是精确确认局部变异、给出独立的 DNA 拷贝数测量或直接作出临床结论,仅靠这一类表达推断就不够。应让方法回答它有证据支撑的问题,再用其他实验补齐剩余部分。
亚群比较也应先看轮廓是否稳定,再讨论聚类数量。热图上的树可以随着距离选择、细胞筛选和数据噪声变化。仅凭分成了几个分支,就命名几个生物学亚克隆,证据通常不足。更可靠的做法是保存分组依据,核对共享区域,并说明哪些观察来自表达推断,哪些已经得到独立验证。
核查于二〇二六年十一月十八日。仓库的包描述与版权文件对许可的表述存在差异,本次未据单一元数据标签安装执行,原生使用范围应向维护方核实。这里发布的是文档解读和自编结果审阅,不包含原生推断耗时、内存或准确率结论,也不把输出区间间距当作真实可检出事件的分辨率。
下载两篇原创读表练习与实际核验摘要(ZIP)。附件含Python脚本、运行说明与本次输出,分别生成分母与坐标核验表、克隆匹配示意表。没有包含或执行两款原生软件。
如果你准备把单样本审阅流程扩展到多个单细胞项目,可以带上细胞规模、软件版本和计划运行的步骤,向云生信咨询生物分析服务器与环境支持,先明确任务范围再安排运行环境。
